北京大学 HMI Lab 等提出 RoboMamba 多模态大模型，集成视觉编码器与 Mamba 语言模型，具备视觉常识和机器人推理能力。其通过高效微调策略，仅用模型 0.1% 参数和 20 分钟微调，便掌握操纵位姿预测能力，在通用和机器人任务基准上表现出色，推理速度比现有方法快 7 倍。